Tekninen analyysi Keskiarvot Keskimääräisten liukuvien keskiarvojen avulla lyhennetään lyhyen aikavälin heilahteluja saadaksemme paremman kuvan hintakehityksestä. Keskiarvot ovat trenditason indikaattoreita. Päivittäisten hintojen liukuva keskiarvo on osakkeen keskimääräinen hinta valitulla ajanjaksolla, joka näkyy päivittäin. Keskiarvon laskemiseksi sinun on valittava ajanjakso. Ajanjakso on aina heijastus, kun hinta on suhteessa enemmän tai vähemmän suhteessa hintatietojen suurempaan tai pienempään tasoittamiseen. Hintasäännöksinä käytetään suuntausindikaattoreita ja lähinnä hintatuen ja vastarinnan viitteenä. Yleisillä keskiarvoilla on kaikenlaisia kaavoja tasoittavien tietojen suhteen. Tarjoustapahtuma: tuotto Voitto teknisellä analyysilla Yksinkertainen liukuva keskiarvo Yksinkertainen liukuva keskiarvo lasketaan lisäämällä kaikki hinnat valitulla ajanjaksolla jaettuna kyseisellä ajanjaksolla. Näin jokaisella datan arvolla on sama paino keskimääräisessä tuloksessa. Kuva 4.35: Yksinkertainen, eksponentiaalinen ja painotettu liukuva keskiarvo. Paksu, musta käyrä kuvion 4.35 kaaviossa on 20 päivän yksinkertainen liukuva keskiarvo. Eksponentiaalinen liukuva keskiarvo Eksponentiaalinen liukuva keskiarvo antaa enemmän painoarvoa prosenttiyksikköä kohti yksittäisiin hintoihin, jotka perustuvat seuraaviin kaavoihin: EMA (hinta EMA) (aiempi EMA (1 ndash EMA)) Useimmat sijoittajat eivät ole tyytyväisiä ilmaisu liittyy prosenttiosuuteen eksponentiaaliseen liukuvaan keskiarvoon, ne tuntuvat paremmilta aikakauden avulla. Jos haluat tietää prosenttiosuuden, jossa työskentelet jaksolla, seuraava kaava antaa sinulle muuntamisen: Kolmen päivän ajanjakso vastaa eksponentiaalista prosenttiosuutta: Kuvassa 4.35 oleva ohut musta käyrä on 20 päivän eksponentiaalinen liikkuva keskiverto. Painotettu liikkuvuus keskimäärin Painotettu liukuva keskiarvo painottaa viimeaikaisia tietoja ja vähentää vanhempien tietojen painoa. Painotettu liukuva keskiarvo lasketaan kertomalla kunkin datan kertoimella päivästä ldquo1rdquo - päivästä ldquonrdquo vanhin ja viimeisimpiin tietoihin tulos jaetaan kaikkien kertoimien kokonaismäärällä. 10 päivän painotetulla liukuva keskiarvolla 10-kertainen hinta on nykyään 10 päivän hinta suhteessa hintaan 10 päivää sitten. Samoin eilen hinta saa yhdeksän kertaa enemmän painoa ja niin edelleen. Kuvassa 4.35 oleva ohut, musta katkoviiva on 20 päivän painotettu liukuva keskiarvo. Yksinkertainen, eksponentiaalinen tai painotettu Jos verrataan näitä kolmea perusarvoja, näemme, että yksinkertainen keskiarvo on tasoittavin, mutta yleensä myös suurin viivästyminen hinnanmuutosten jälkeen. Eksponentiaalinen keskiarvo on lähempänä hintaa ja reagoi nopeammin hintavaihteluihin. Mutta lyhyemmät ajanjakson korjaukset näkyvät myös tässä keskimäärin vähemmän hellittämättömän vaikutuksen vuoksi. Lopuksi painotettu keskiarvo seuraa hintakehitystä entistä tarkemmin. Määritetään, mitkä näistä keskiarvoista käytetään, riippuu tavoitteesta. Jos haluat trendinilmaisijan paremman tasoituksen ja vain vähän reaktiota lyhyemmille liikkeille, yksinkertainen keskiarvo on paras. Jos haluat tasoittaa, jos näet edelleen lyhyen ajan keinut, niin joko eksponentiaalinen tai painotettu liukuva keskiarvo on parempi vaihtoehto. Miten laskea painotetut liikkuvat keskiarvot Excelissä käyttäen Exponential Smoothing Excel - datanalyysia Dummyille, 2. painos Exponential Smoothing Excel-työkalu laskee liikkuvan keskiarvon. Eksponentiaalinen tasoitus painaa kuitenkin liukuva keskiarvolaskelmissa olevia arvoja siten, että uusilla arvoilla on suurempi vaikutus keskimääräiseen laskentaan ja vanhoilla arvoilla on vähemmän vaikutusta. Tämä painotus toteutetaan tasoitusvakion avulla. Jos haluat havainnollistaa Exponential Smoothing - työkalun toimivuutta, oletetaan, että olet taas tarkastelemassa keskimääräistä päivittäistä lämpötilatietoa. Voit laskea painotetut liikkuvat keskiarvot käyttämällä eksponentiaalisia tasoituksia seuraavasti: Voit laskea eksponentiaalisesti tasoitetun liikkuvan keskiarvon napsauttamalla ensin Data-välilehteä Tietosuoja-komentoa. Kun Excel näyttää Data Analysis - valintaikkunan, valitse luettelosta Exponential Smoothing-kohde ja valitse sitten OK. Excel näyttää Exponential Smoothing - valintaikkunan. Tunnista tiedot. Jos haluat tunnistaa ne tiedot, joille haluat laskea eksponentiaalisesti tasoitettua liikkuvaa keskiarvoa, napsauta syöttöalueen tekstiruutua. Sitten määritä syöttöalue joko kirjoittamalla laskentataulukon alue tai valitsemalla laskentataulukko. Jos syöttöalueesi sisältää tekstitiedoston tietojen tunnistamiseksi tai kuvaamiseksi, valitse Tunnisteet-valintaruutu. Anna tasoitusvakion. Anna tasoitusvakion arvo vaimennuskertoimen tekstikenttään. Excel Help - tiedosto kertoo, että käytät tasoitusvakaa välillä 0,2 ja 0,3. Oletettavasti kuitenkin, jos käytät tätä työkalua, sinulla on omat ideasi siitä, mikä oikea tasoitusvakio on. (Jos et ole löytänyt tasoitusvakion, ehkä sinun ei pitäisi käyttää tätä työkalua.) Kerro Excel, jossa sijoitetaan eksponentiaalisesti tasoitettu liikkuvan keskiarvon data. Käytä Output Range - tekstiruutua tunnistamaan laskentataulukko, johon haluat sijoittaa liikkuvan keskiarvon tiedot. Esimerkiksi taulukon esimerkissä sijoitat liikkuvan keskiarvon tiedot laskentataulukkoon B2: B10. (Valinnainen) Kaavio eksponentiaalisesti tasoitetusta tiedosta. Jos haluat kartoittaa eksponentiaalisesti tasoitettuja tietoja, valitse Kaavioedostus-valintaruutu. (Valinnainen) Ilmoita, että haluat, että vakiovirheinformaatio lasketaan. Vakiovirheiden laskemiseksi valitse Vakio virheet - valintaruutu. Excel asettaa tavanomaiset virhearvot eksponentiaalisesti tasoitettujen liikkuvien keskiarvojen vieressä. Kun olet määrittänyt, mihin liikkuvaan keskimääräiseen tietoon haluat laskea ja missä haluat sijoittaa, napsauta OK. Excel laskee liikkuvaa keskimääräistä tietoa. Forecasting by Smoothing Techniques Tämä sivusto on osa JavaScript E-Labs oppimisen kohteita päätöksenteossa. Muut tässä sarjassa olevat JavaScript-koodit on luokiteltu eri sovellusalueilla tämän sivun MENU-osioon. Aikasarja on sekvenssi havainnoista, jotka tilataan ajoissa. Aineiston keräämiseen liittyvä aineisto on osa satunnaisvaihtelua. On olemassa menetelmiä satunnaisvaihtelun vaikutuksen kumoamisen vähentämiseksi. Laajasti käytetyt tekniikat ovat tasoituksia. Nämä tekniikat, kun niitä käytetään asianmukaisesti, paljastavat selkeämmin taustalla olevat suuntaukset. Syötä aikasarja Row-viisas sekvenssissä, alkaen vasemmasta yläkulmasta ja parametrit, ja klikkaa sitten Laske - painiketta yhden jakson aikataulun ennustamiseksi. Tyhjät laatikot eivät sisälly laskelmiin, mutta nollat ovat. Kun syötät tietosi siirryttäessä solusta soluun tietomatriisissa, käytä Tab-näppäintä ei nuolta tai syötä avaimia. Aikasarjojen ominaisuudet, jotka voidaan paljastaa tarkastelemalla kaaviota. ennustettujen arvojen ja jäännöskäyttäytymisen, ehdollisen ennustamisen mallintamisen kanssa. Liikkuvat keskiarvot: Keskiarvojen siirto on suosituimpia aikasarjan esikäsittelymenetelmiä. Niitä käytetään satunnaisen valkoisen melun suodattamiseen datasta, aikasarjan tekemiseksi pehmeämmäksi tai jopa korostamiseksi tiettyihin aikasarjoihin sisältyviin informaatioosiin. Eksponentiaalinen tasoitus: Tämä on erittäin suosittu järjestelmä tasoitetun aikasarjan tuottamiseksi. Kun liikkuvissa keskiarvoissa aikaisemmat havainnot painotetaan yhtä suuresti, eksponenttijuoksutus osoittaa eksponentiaalisesti laskevia painoja, kun havainto vanhenee. Toisin sanoen viimeaikaisissa havainnoissa ennustetaan suhteellisen enemmän painoa kuin vanhemmat havainnot. Double Exponential Smoothing on paremmin trendejä. Triple Exponential Smoothing on parabola-suuntausten parempaa käsittelyä. Eksponentiaalisesti painotettu liukuva keskiarvo tasoitusvakiona a. vastaa kauemmin pituuden (eli ajanjakson) n yksinkertaista liikkuvaa keskiarvoa, missä a ja n liittyvät: a 2 (n1) OR n (2 - a) a. Siten esimerkiksi eksponentiaalisesti painotettu liukuva keskiarvo tasoitusvakion ollessa 0,1 vastaa vastaavan noin 19 vuorokauden liukuvaa keskiarvoa. Ja 40 päivän yksinkertainen liukuva keskiarvo vastaa suunnilleen eksponentiaalisesti painotettua liikkuvaa keskiarvoa tasoitusvakion ollessa 0,04878. Holts Linear Exponential Smoothing: Oletetaan, että aikasarja ei ole kausiluonteista, mutta näyttää trendiltä. Holts-menetelmä arvioi sekä nykyisen että nykyisen kehityksen. Huomaa, että yksinkertainen liukuva keskiarvo on erikoistapaus eksponentiaalisen tasauksen asettamalla liikkuvan keskiarvon pituus (2-Alpha) Alpha-kokonaislukuosaan. Useimmille yritystiedoille Alpha-parametri, joka on pienempi kuin 0,40, on usein tehokas. Kuitenkin voidaan suorittaa ristikkohaku parametritilasta 0,1 - 0,9, lisäyksin 0,1. Sitten paras alpha on pienin keskimääräinen absoluuttinen virhe (MA virhe). Vertailu useisiin tasoitusmenetelmiin: Vaikka ennustustekniikan tarkkuuden arvioinnissa on numeerisia indikaattoreita, useimmiten lähestymistapa on useiden ennusteiden visuaalisen vertailun avulla niiden tarkkuuden arvioimiseksi ja eri ennustemenetelmien välillä. Tässä lähestymistavassa on piirrettävä samalla graafilla (käyttäen esim. Excel) aikasarjamuuttujan alkuperäisiä arvoja ja ennustettuja arvoja useista erilaisista ennusteista, mikä helpottaa visuaalista vertailua. Saatat haluta käyttää aiempia ennusteita Smoothing Techniques JavaScriptin avulla saadaksesi aikaisemmat ennustearvot, jotka perustuvat tasoitusmenetelmiin, jotka käyttävät vain yhtä parametria. Holt - ja Winters-menetelmät käyttävät vastaavasti kaksi ja kolme parametria, joten ei ole helppoa valita optimaalisia tai edes lähellä optimaalisia arvoja testeillä ja virheillä parametreille. Yksittäisen eksponenttien tasoittaminen korostaa lyhyen kantaman näkökulmaa, joka asettaa tasolle viimeisen havainnon ja perustuu siihen, ettei suuntausta ole. Lineaarinen regressio, joka sopii pienimmän neliösumman riviin historiallisiin tietoihin (tai muunnettuihin historiatietoihin), edustaa pitkän kantaman, joka on riippuvainen peruskehityksestä. Holts lineaarinen eksponentti tasoitus kertoo tietoa viimeaikaisesta trendistä. Holts-mallin parametrit ovat taso-parametri, jota tulisi pienentää, kun datamuutoksen määrä on suuri ja trendit - parametria on lisättävä, jos syy-olettamat tekijät tukevat viimeaikaista trendisuuntausta. Lyhyen aikavälin ennuste: Huomaa, että tällä sivulla näkyvä JavaScript tarjoaa yhden askeleen eteenpäinvedon. Saat kaksivaiheisen ennusteen. yksinkertaisesti lisää ennustettu arvo loppusummaan aikasarjatietoihin ja napsauta samaa Laske - painiketta. Voit toistaa tätä prosessia muutaman kerran saadaksesi tarvittavat lyhyen aikavälin ennusteet. Keskimääräisten ja eksponentiaalisten tasoittamismallien siirtäminen Ensimäisen askeleen ylittäessä keskimääräiset mallit, satunnainen kävelymallit ja lineaariset trendimallit, ei-seulomalliset mallit ja trendit voivat ekstrapoloidaan liikkuvan keskiarvon tai tasoitusmallin avulla. Perusoletus keskiarvojen ja tasoitusmalleiden takana on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevalla keskiarvolla. Siksi siirrymme (paikallinen) keskimäärin arvioimaan nykyisen keskiarvon ja käytämme sitä lähitulevaisuuden ennusteena. Tätä voidaan pitää kompromissina keskimallin mallin ja satunnaiskäytävän ilman ajoväylämallia. Samaa strategiaa voidaan käyttää arvioimaan ja ekstrapoloimaan paikallinen trendi. Liikkuvaa keskiarvoa kutsutaan usein alkuperäisen sarjan quotsmoothedquot-versioksi, koska lyhyen aikavälin keskiarvotuksen vaikutus tasoittaa alkuperäisen sarjan kourat. Säätämällä tasoitustasoa (liikkuvan keskiarvon leveys) voimme toivoa jonkinlaisen optimaalisen tasapainon keski - ja satunnaiskäytävien mallien välillä. Yksinkertaisin keskitemallin malli on. Yksinkertainen (yhtäpainoinen) liikkuva keskiarvo: Tuon ajan t1 ennuste, joka on ajan hetkellä t, vastaa viimeisimpien m-havaintojen yksinkertaista keskiarvoa: (Tässä ja muualla käytän symbolia 8220Y-hat8221 seisomaan ennusteessa aikasarjasta Y, joka on tehty mahdollisimman aikaisemmalla ajankohdalla tietyn mallin mukaan.) Tämä keskiarvo on keskimäärin ajanjaksolle t - (m1) 2, mikä tarkoittaa sitä, että paikallisen keskiarvon arvioidaan jäävän tosi - paikallisen keskiarvon arvo noin (m1) 2 jaksolla. Täten sanomme, että keskimääräisen liikevoiton keskimääräinen ikä on (m1) 2 sen ajanjakson suhteen, jolle ennuste lasketaan: tämä on aika, jolla ennusteiden taipumus jää jäljessä datan käännekohdista . Jos keskiarvo lasketaan esimerkiksi viimeksi kuluneiden viiden arvon perusteella, ennusteet ovat noin 3 jaksoa, jotka ovat myöhässä vastakkain käännekoihin. Huomaa, että jos m1, yksinkertainen liikkuva keskiarvo (SMA) - malli vastaa satunnainen kävelymalli (ilman kasvua). Jos m on hyvin suuri (verrattavissa arviointikauden pituuteen), SMA-malli vastaa keskiarvoa. Kuten ennustamomallin minkä tahansa parametrin tapauksessa, on tavallista säätää k: n arvo, jotta saadaan parhaat tiedot, toisin sanoen pienimmät ennustevirheet keskimäärin. Tässä on esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritä sovittaa se satunnaisen kävelymallin kanssa, joka vastaa yhtä yksinkertaista liukuvaa keskiarvoa: Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta tällä tavoin se valitsee suurimman osan (satunnaisvaihtelut) samoin kuin kvotsignalquot (paikallinen keskiarvo). Jos me kuitenkin kokeillaan yksinkertaista liikkuvaa 5: n keskiarvoa, saadaan paremman näköisiä ennusteita: 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaiskäytävä malli tässä tapauksessa. Tämän ennusteen tietojen keskimääräinen ikä on 3 ((51) 2), joten se kestää käännekohdat jäljessä noin kolmella jaksoilla. (Esimerkiksi taantuma näyttää tapahtuneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useita jaksoja myöhemmin.) Huomaa, että SMA-mallin pitkän aikavälin ennusteet ovat horisontaalinen suoraviivaisesti, kuten satunnaisessa kävelyssä malli. Siksi SMA-mallissa oletetaan, että datassa ei ole trendiä. Kuitenkin sattumanvaraisen kävelymallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, SMA-mallin ennusteet ovat yhtä kuin viime arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteisiin eivät ole laajemmat, kun ennustehorisontti kasvaa. Tämä ei tietenkään ole oikea. Valitettavasti tilastollista teoriaa ei ole, joka kertoo, miten luottamusvälit pitäisi laajentaa tähän malliin. Kuitenkin ei ole kovin vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pidemmille horisonttiennusteille. Voit esimerkiksi luoda laskentataulukon, jossa SMA-mallia käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin jne. Historiallisen datanäytteen sisällä. Sitten voit laskea virheiden näytteen vakiopoikkeamat kullakin ennustehorisontilla ja muodostaa sitten luottamusvälit pitkän aikavälin ennusteisiin lisäämällä ja vähentämällä sopivan keskihajonnan monikerrokset. Jos yritämme 9-aikavälin yksinkertaisen liukuvan keskiarvon, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta: Keskimääräinen ikä on nyt 5 jaksoa (91) 2. Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä nousee 10: een. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin 10 jaksoilla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon: Malli C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla 3 - aika ja 9-aikavälin keskiarvo, ja muut tilastot ovat lähes identtisiä. Niinpä malleissa, joilla on hyvin samanlaiset virhetilastot, voimme valita, haluammeko ennustetta hieman reagoimista tai hieman sileämpää. (Palaa sivun yläreunaan.) Ruskeat Yksinkertainen eksponentiaalinen tasoitus (eksponentiaalisesti painotettu liukuva keskiarvo) Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottu ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edelliset havainnot. Intuitiivisesti aiempia tietoja pitäisi diskontata vähitellen - esimerkiksi viimeisimmän havainnon pitäisi saada hieman enemmän painoa kuin toiseksi viimeisimmällä, ja toiseksi viimeisimmän pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja pian. Yksinkertainen eksponenttien tasaus (SES) - malli tekee sen. Anna 945 merkitä lonkkamurtumisvakio (numero välillä 0 ja 1). Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyisen tason (eli paikallista keskimääräistä arvoa) sarjan arvioidut tiedot tähän asti. L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan: Nykyinen tasoitettu arvo on siis interpoloitu edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä 945 ohjaa interpoloidun arvon läheisyyttä viimeisimpään havainto. Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo: Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aiempien havaintojen osalta jollakin seuraavista vastaavista versioista. Ensimmäisessä versiossa ennuste on interpolointi aikaisemman ennusteen ja edellisen havainnon välillä: Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla 945. aika t. Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu (eli diskontattu) liukuva keskiarvo diskonttokertoimella 1 - 945: Ennustamisen kaavan interpolointiversio on yksinkertaisin käyttää, jos käytät mallia laskentataulukossa: se sopii yhteen yksisolu ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, edellistä havaintoa ja solua, jossa arvo 945 on tallennettu. Huomaa, että jos 945 1, SES-malli vastaa satunnaisen kävelymallin (ilman kasvua). Jos 945 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu keskimäärin. (Palaa sivun yläreunaan.) Yksinkertaisen eksponentti-tasausennusteen tietojen keski-ikä on 1 945 suhteessa ennusteeseen laskettuun ajanjaksoon. (Tämän ei pitäisi olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja.) Yksinkertainen liukuva keskimääräinen ennuste on taipumus kääntää käänteitä noin 1 945 kaudella. Esimerkiksi kun 945 0,5 viive on 2 jaksoa, kun 945 0,2 viive on 5 jaksoa kun 945 0,1 viive on 10 jaksoa ja niin edelleen. Tietyllä keskimääräisellä ikäjaksolla (eli viivästymisnopeudella) yksinkertainen eksponenttien tasaus (SES) - ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskiarvo (SMA), koska se asettaa suhteellisen enemmän painoa viimeisimmälle havainnoinnille - e. e. se on hieman enemmän vastaavaa kuin viime aikoina tapahtuneet muutokset. Esimerkiksi yhdeksällä ehdolla olevasta SMA-mallista ja 945 0,2: n SES-mallilla on keskimäärin 5-vuotiaita tietoja ennusteissaan, mutta SES-mallissa painotetaan enemmän kolmea viimeistä arvoa kuin SMA-mallissa ja Samanaikaisesti se ei kerta kaikkiaan yli 82 vanhoja arvoja yli 9 vanhoja kaistoja, kuten on esitetty tässä kaaviossa: SES-mallin toinen tärkeä etu SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä kvotitolverin algoritmia keskimääräisen neliövirheen minimoimiseksi. Tämän sarjan SES-mallin optimaalinen arvo 945 osoittautuu 0,2961: ksi, kuten tässä on esitetty: Tämän ennusteen tietojen keski-ikä on 10,2961 3,4 jaksoa, joka on samanlainen kuin 6-kertaisen yksinkertaisen liukuvan keskiarvon. SES-mallin pitkän aikavälin ennusteet ovat horisontaalinen suora. kuten SMA-mallissa ja satunnaisessa kävelymallissa ilman kasvua. Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat toisistaan kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin satunnaisen kävelymallin luottamusvälit. SES-malli olettaa, että sarja on jonkin verran ennustettavissa enemmän kuin satunnaiskäytävä malli. SES-malli on itse asiassa erityinen ARIMA-mallin tapaus. joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän pohjan SES-mallin luottamusvälien laskemiselle. Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA (1) termi ja ei vakioaikaa. muutoin tunnetaan nimellä quotationARIMA (0,1,1) malli ilman vakiokuvaketta. MA (1) - kerroin ARIMA-mallissa vastaa SES-mallin 1-945 määrää. Esimerkiksi jos sijoitat ARIMA (0,1,1) - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA (1) - kerroin osoittautuu 0,7029, joka on lähes täsmälleen yksi miinus 0,2961. On mahdollista lisätä oletus nollasta riippumattomalle lineaariselle suuntaukselle SES-mallille. Määritä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA (1) termi vakiolla, eli ARIMA (0,1,1) - mallilla, jolla on vakio. Pitkän aikavälin ennusteissa on sitten trendi, joka on yhtä suuri kuin koko arviointikauden aikana havaittu keskimääräinen trendi. Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet eivät ole käytössä, kun mallityyppi on ARIMA. Voit kuitenkin lisätä jatkuvan pitkän aikavälin eksponentiaalisen trendin yksinkertaiseen eksponentiaaliseen tasoitusmalliin (kausittaisen säätämisen kanssa tai ilman) käyttämällä inflaation säätövaihtoehtoa ennustemenetelmässä. Asianmukainen inflaatioprosentti (prosentuaalinen kasvu) prosenttiyksikköä kohden voidaan arvioida datan avulla sovitetun lineaarisen trendimallin mukaiseksi rintamakerroin luonnollisen logaritmimuunnoksen yhteydessä tai se voi perustua muihin, itsenäisiin tietoihin, jotka koskevat pitkän aikavälin kasvunäkymiä . (Palaa sivun yläreunaan.) Ruskeat lineaariset (eli kaksinkertaiset) eksponentiaalinen tasoittaminen SMA-malleissa ja SES-malleissa oletetaan, että datassa ei ole mitään suuntausta (mikä on yleensä OK tai ainakin ei-liian-huono 1- edistyksellisiä ennusteita, kun tiedot ovat suhteellisen meluisia) ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen suuntauksen, kuten edellä on esitetty. Entä lyhytaikaiset trendejä Jos sarjassa on vaihteleva kasvuvauhti tai suhdannevaihtelu, joka erottuu selkeästi melusta, ja jos on tarpeen ennustaa yli 1 jakso eteenpäin, paikallisen trendin arvio voidaan myös arvioida ongelma. Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponenttien tasoituksen (LES) mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva trendimalli on Browns-lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennuskaava kaava perustuu kahden keskuksen välisen linjan ekstrapoloimiseen. (Holt8217-mallin hienostuneempia versioita käsitellään jäljempänä.) Brown8217: n lineaarisen eksponenttipienytysmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista lukuisissa erilaisissa mutta vastaavissa muodoissa. Tämän mallin kvantitatiivista muotoa ilmaistaan tavallisesti seuraavasti: Anna S merkitsee yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponentiaalista tasausta sarjaan Y. Eli S: n arvo ajanjaksolla t saadaan: (Muista, että yksinkertaisen Tällöin Squot tarkoittaa kaksinkertaista tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponentiaalista tasoitusta (käyttäen samaa 945) sarjaan S: Lopuksi ennuste Y tk: lle. missä tahansa kgt1, saadaan: Tämä tuottaa e 1 0 (eli huijaa vähän ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto) ja e 2 Y 2 8211 Y 1. jonka jälkeen ennusteet saadaan käyttämällä yllä olevaa yhtälöä. Tämä tuottaa samoja sovitettuja arvoja kuin S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttäen S 1 S 1 Y 1: tä. Tätä malliversiota käytetään seuraavalla sivulla, joka havainnollistaa eksponenttien tasoituksen yhdistelmää kausittaisella säätöllä. Holt8217s Lineaarinen eksponentiaalinen tasoitus Brown8217s LES-malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa datamalleja, jotka se kykenee sovittamaan: taso ja suuntaus eivät saa vaihdella riippumattomilla hinnoilla. Holt8217s LES-malli korjaa tämän ongelman sisällyttämällä kaksi tasoitusvakiota, yksi tasolle ja yksi trendille. Milloin tahansa t, kuten Brown8217s-mallissa, on paikallistason estimaatti L t ja paikallisen trendin estimaatti T t. Tällöin ne lasketaan rekursiivisesti ajan funktiona havaituista Y: n arvoista ja aikaisemmista tasoista ja trendistä saaduista arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponentiaalisia tasoituksia. Jos arvioitu taso ja trendi ajanhetkellä t-1 ovat L t82091 ja T t-1. vastaavasti, niin Y: n ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä suuri kuin L t-1 T t-1. Kun todellista arvoa havaitaan, taso päivitetyllä arvolla lasketaan rekursiivisesti interpoloimalla välillä Y tshy ja sen ennuste, L t-1 T t-1 käyttäen painoja 945 ja 1-945. Arvioitu tason muutos, nimittäin L t 8209 L t82091. voidaan tulkita trendin meluisaksi mittaukseksi ajanhetkellä t. Päivitetty arvion trendistä lasketaan sitten rekursiivisesti interpoloimalla L t 8209 L t82091: n ja edellisen trendin, T t-1, arvion välillä. käyttäen painot 946 ja 1-946: Trenditasoitusvakion 946 tulkinta on samanlainen kuin tason tasoitusvakio 945. Pienillä arvoilla 946 tehdyt mallit olettavat, että trendi muuttuu vain hyvin hitaasti ajan myötä, kun taas malleissa suurempi 946 olettaa, että se muuttuu nopeammin. Mallin, jolla on suuri 946, uskoo, että kaukana tulevaisuus on erittäin epävakaa, koska trendinarvioinnin virheet tulevat melko tärkeiksi ennakoiden useamman kuin yhden jakson eteenpäin. (Palaa sivun yläosaan.) Tasoitusvakioita 945 ja 946 voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun tämä tehdään Statgraphics, arvioiden osoittautua 945 0,3048 ja 946 0,008. Hyvin pieni arvo 946 tarkoittaa, että malli olettaa hyvin vähän muutosta trendissä jaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin trendiä. Vastaavasti käsitteen keskimääräisen ikärajan, jota käytetään arvioimaan paikallisen tason määrää, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1 946: een, vaikka se ei olekaan yhtä suuri kuin se . Tällöin osoittautuu 10 006 125. Tämä isn8217t on hyvin tarkka luku, koska 946: n estimaatin tarkkuus on todella 3 desimaalipistettä, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimisessa. Seuraavassa esitetyn ennustealueen mukaan LES-malli arvioi jonkin verran suuremman paikallisen trendin sarjan lopussa kuin SEStrend-mallissa arvioitu jatkuva trendi. Myös arvioitu arvo 945 on lähes identtinen sen kanssa, joka on saatu sovittamalla SES-malli trendillä tai ilman, joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallilta, jonka oletetaan arvioivan paikallista trendiä Jos 8220eyeball8221 tämä tontti näyttää siltä, että paikallinen trendi on kääntynyt alaspäin sarjan lopussa. Mitä on tapahtunut Tämän mallin parametrit on arvioitu minimoimalla yhden askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendillä ei ole paljon eroja. Jos kaikki olet tarkastelemassa ovat 1-askelta eteenpäin virheitä, et näe suurempaa kuvaa trendistä yli (esimerkiksi) 10 tai 20 jaksoa. Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunkaiden ekstrapoloimiseen, voimme säätää manuaalisesti trendin tasoitusvakion siten, että se käyttää lyhyempää lähtötasoa trendin estimoinnille. Jos esimerkiksi valitaan 946 0,1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa sitä, että keskiarvo lasketaan keskimäärin viimeisten 20 jakson aikana tai niin. Tässä on ennustettu tontti, jos asetamme 946 0,1 säilyttäen 945 0,3. Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikka on todennäköisesti vaarallista ekstrapoloida tämä suuntaus yli kymmenen jaksoa tulevaisuudessa. Entä virhestatukset Tässä on mallin vertailu edellä mainituille kahdelle mallille sekä kolme SES-mallia. SES-mallin optimaalinen arvo 945 on noin 0,3, mutta 0,5 ja 0,2 saadaan samankaltaisia tuloksia (hieman enemmän tai vähemmän vasteena). (A) Holts lineaarinen exp. tasoitus alfa 0.3048 ja beeta 0.008 (B) Holts lineaarinen exp. tasoitus alfa 0.3 ja beeta 0.1 (C) Yksinkertainen eksponentti tasoitus alfa 0.5 (D) Yksinkertainen eksponentti tasoitus alfa 0.3 (E) Yksinkertainen eksponentiaalinen tasoitus alfa 0.2 Heidän tilastot ovat lähes identtisiä, joten voimme todella tehdä valinnan perusteella yhden askeleen ennakkoennusteen virheistä datanäytteessä. Meidän on puututtava muihin näkökohtiin. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trendiarviot viimeisten 20 jakson aikana tai niin, voimme tehdä tapauksen LES-mallille 945 0,3 ja 946 0,1. Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olla helpompi selittää ja antaa myös enemmän keskitietojen ennusteita seuraaville 5 tai 10 jaksoille. (Palaa sivun yläreunaan.) Mikä suuntaus-ekstrapolointi on paras: horisontaalinen vai lineaarinen Empiirinen näyttö viittaa siihen, että jos tiedot on jo säädetty (jos tarpeen) inflaatioon, voi olla hankalaa ekstrapoloida lyhyen aikavälin lineaarinen suuntauksia hyvin pitkälle tulevaisuuteen. Nykyiset trendit voivat hidastua tulevaisuudessa erilaisista syistä, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponenttinen tasoittaminen toimii usein paremmin näytteestä kuin muutoin olisi odotettavissa, vaikka sen arvoa ei ollut lainkaan horisontaalinen trendin ekstrapolointi. Lineaarisen eksponentiaalisen tasoitusmallin vaimennettuja trendimuutoksia käytetään käytännössä myös käytännössä toteuttamaan konservatiivisuuden muistiinpanoja trendisuunnitelmiinsa. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA (1,1,2) - malleista. On mahdollista laskea luottamusvälejä eksponenttien tasausmalleja tuottavien pitkän aikavälin ennusteiden ympärille, tarkastelemalla niitä ARIMA-mallien erityistilanteina. (Varo: ei kaikki ohjelmisto laskee luottamusväliä näille malleille oikein.) Luottamusvälien leveys riippuu (i) mallin RMS-virheestä, (ii) tasoitustyypin (yksinkertainen tai lineaarinen) (iii) (s) ja (iv) ennusteiden etenemisjaksojen lukumäärä. Yleensä välejä levitettiin nopeammin, kun 945 on suurempi SES-mallissa ja ne levittyvät paljon nopeammin, kun käytetään lineaarista eikä yksinkertaista tasoitusta. Tätä aihetta käsitellään tarkemmin muistiinpanojen ARIMA-malleissa. (Palaa sivun yläreunaan.)
No comments:
Post a Comment